Fish Audio Drama 3 vs Gemini 3.8 Flash TTS: agora o Google é o barato, e isso inverte o argumento de sempre

Calcule o preço destes dois por minuto de áudio finalizado e a comparação deixa de se parecer com aquela que o mercado vem fazendo o ano todo. O Google Gemini 3.8 Flash TTS cobra US$ 9,00 por milhão de tokens de áudio, e o áudio é gerado a 25 tokens por segundo — um pouco mais de dois centésimos de centavo por segundo, o que dá cerca de US$ 0,81 por hora de fala. O Fish Audio Drama 3 tem preço de tabela de US$ 50,00 por milhão de bytes UTF-8, que a própria documentação do fornecedor equipara a aproximadamente doze horas de fala: cerca de US$ 4,17 por hora no preço de tabela, e US$ 0,83 por hora durante a promoção de lançamento que termina em 2026-11-12. Assim, o modelo de fala carro-chefe do Google é cinco vezes mais barato que o desafiante de pesos abertos assim que o desconto expirar, e aproximadamente o mesmo preço enquanto ele durar. O enquadramento usual — um modelo aberto ágil cobrando menos que uma hyperscaler — está exatamente ao contrário aqui, e entender por quê é o cerne da decisão.

A aritmética, com detalhes suficientes para conferir

A unidade do Google são tokens, não caracteres, e é por isso que os números de destaque pareciam pouco notáveis ao lado dos fornecedores que cobram por caractere de texto. O Gemini 3.8 Flash TTS gera áudio a 25 tokens por segundo de fala, a US$ 9,00 por milhão de tokens até o final de 2026, e o modelo que ele substitui — Gemini 3.1 Flash TTS Preview — tinha preço de US$ 20,00 pelo mesmo milhão de tokens de saída. O Gemini 3.8 Flash-Lite TTS, lançado junto em 23 de setembro de 2026, traz uma lista de idiomas mais curta e uma tarifa ainda menor, e o Artificial Analysis o registra a US$ 11,00 por milhão de caracteres para fins de comparação.

A unidade da Fish Audio é bytes, não caracteres, e sua documentação declara a conversão claramente: um milhão de bytes UTF-8 equivale a aproximadamente 180.000 palavras em inglês, ou cerca de doze horas de fala. A US$ 50,00 por milhão de bytes, isso dá US$ 4,17 por hora antes de qualquer custo adicional. No valor promocional de US$ 10,00, dá US$ 0,83. Colchetes de direção são cobrados como texto de entrada, então um roteiro com muitas indicações de direção custa 10–25% mais do que a contagem de palavras sugere — e, nesta comparação, todo colchete é cobrado, porque todo o design do Drama 3 é que você escreve a atuação no roteiro.

Preço de tabela, por hora de fala — Gemini 3.8 Flash TTS cerca de US$ 0,81; Drama 3 cerca de US$ 4,17.

• Preço promocional, por hora — Gemini 3.8 Flash TTS cerca de US$ 0,81; Drama 3 cerca de US$ 0,83. Praticamente um empate.

• Unidade — tokens por segundo de saída no lado do Google; bytes UTF-8 de entrada no lado do Fish Audio. Ambas são unidades honestas. Não são a mesma unidade, e qualquer comparação de "por milhão de X" que as misture sem convertê-las é ruído.

• A linha oculta — uma requisição do Drama 3 cujo cabeçalho de modelo está ausente ou escrito incorretamente não falha: ela recorre ao s2.1-pro e é cobrada a $15.00 por milhão de bytes, o que representa uma sobretaxa de 50% sobre a tarifa promocional por um erro de digitação.

O que o preço do Google realmente compra

Ser mais barato por hora só é interessante se a saída for utilizável, e os números independentes dizem que é, com um perfil específico. A Artificial Analysis coloca o Google Gemini 3.8 Flash TTS em quinto lugar no Provider Voice Arena, com Elo de 1.283 e US$ 16,50 registrados no ranking — acima dos 1.278 do Fish Audio Drama 3 — e em vigésimo quarto no Controlled Voice Arena, com 1.053, abaixo dos 1.085 do Drama 3. Essa disparidade resume o modelo em uma frase: ele soa excelente quando as próprias vozes do Google estão em jogo e cai para o meio do ranking quando todos os modelos são avaliados com as mesmas vozes de referência.

O quadro de pronúncia conta uma história igualmente limitada. O Gemini 3.8 Flash TTS lidera todos os 31 modelos avaliados na categoria de adequação contextual, com 98,0%, e o Drama 3 está com 95,3%. Não é o ponto fraco do modelo. O ponto fraco do Google nesta comparação é o controle: o Gemini traz 30 vozes de estúdio predefinidas — Kore e Puck entre elas — com o conjunto completo de 130 idiomas e detecção automática de idioma, além de uma biblioteca de vozes que a documentação descreve como “centenas” na Biblioteca Estendida de Vozes, enquanto a página de marketing diz mais de 2.000. Esses números nunca foram conciliados externamente, e, se uma voz específica for essencial para o seu produto, testar essa voz é a única resposta honesta que alguém pode lhe dar.

Trinta vozes utilizáveis sem clonagem é suficiente para um bot de suporte, um narrador de produto ou um app de aprendizado de idiomas. Não é suficiente para um pipeline de drama, um jogo com doze personagens que precisam ser escalados ou qualquer trabalho para cliente em que a voz seja o entregável. Essa é a lacuna que a Fish Audio preenche, e é uma lacuna em espécie, não em grau.

O que os pesos abertos oferecem — e quanto custa executá-los

O Fish Audio Drama 3 é uma mistura de especialistas com 35 bilhões de parâmetros, com cerca de 3 bilhões de parâmetros ativos por token, inicializado a partir do Qwen3.5-35B-A3B, com 8 de 256 especialistas roteados mais um compartilhado, quarenta camadas em blocos de três camadas Gated DeltaNet e uma camada de atenção completa com gate. Os pesos são publicados no Hugging Face como fishaudio/drama-3 — cerca de 40 GB distribuídos em um conjunto de shards mais um arquivo de codec separado — e a inferência em FP8 exige cerca de 48 GB de VRAM, sem caminho documentado para CPU ou ROCm. A execução é feita por meio do SGLang-Omni, e o fornecedor relata 271 quadros por segundo em um único H200, contra 177 do S2.

Essa linha de hardware é o verdadeiro negócio. O preço do Google de US$ 0,81 por hora não inclui despesa de capital nem operações; seu único custo fixo é a requisição. A tarifa promocional de US$ 0,83 por hora do Drama 3 é uma tarifa de API, e executá-lo por conta própria transforma isso em uma GPU de 48 GB, uma pilha de serviço e uma pessoa responsável por ela. Para um catálogo de quarenta horas de áudio por mês, a API é obviamente mais barata. Para alguns milhares de horas, ou para qualquer coisa que precise rodar sem um terceiro no circuito, os pesos mudam totalmente o argumento — e são a única coisa que o Google não vende a preço algum.

A licença também é relevante aqui, porque é o que separa "pesos abertos" de "gratuito". O Drama 3 é publicado sob a Fish Audio Community License v1.0: gratuito para pesquisa e uso não comercial, gratuito comercialmente abaixo de US$500,000 em receita anual para você e suas afiliadas, com uma licença separada exigida acima desse limite ou para oferecer o próprio Drama 3 como um serviço hospedado de fala ou clonagem. A Artificial Analysis o classifica como pesos abertos sem direitos completos de uso comercial. Os termos do Google são os termos comuns da API, que envolvem um conjunto diferente de questões — tratamento de dados, e não redistribuição.

Línguas, e um número que faz menos do que parece

O Google alega 130 idiomas com detecção automática a partir do texto. O Fish Audio alega 83, com um recurso muito mais estranho atrelado: as direções podem ser escritas em qualquer idioma e não precisam corresponder ao idioma do roteiro, e há uma tag documentada de troca de idioma que transforma uma única frase em outro idioma no meio da linha — marcada como experimental. Esses são produtos diferentes. O número do Google diz respeito a quantos mercados você pode entrar com uma única integração. O da Fish Audio diz respeito a quão precisamente uma linha pode ser produzida, por um diretor que pode não compartilhar o idioma do roteiro.

Para uma equipa que lança um produto localizado, 130 supera 83 e a deteção automática é uma verdadeira poupança operacional — sem encaminhamento por idioma, sem seleção de voz por idioma. Para uma equipa que produz conteúdo em um ou dois idiomas para um público exigente, 83 não é uma limitação e a capacidade de direção em qualquer idioma é a mais valiosa das duas funcionalidades. Nenhum dos números deve ser lido como uma posição numa tabela classificativa; o número de idiomas que um modelo afirma ter nunca se correlacionou bem com a qualidade que tem no idioma de que precisa.

Onde cada um deles se posiciona em uma pilha roteada

Este é um dos poucos artigos desta série em que o lado do provedor não é totalmente honesto, e não dá para passar por cima disso: a OrcaRouter roteia os modelos de fala Gemini mais antigos do Google — google/gemini-3.1-flash-tts-preview e google/gemini-2.5-flash-preview-tts estão ambos no catálogo hoje — mas não o Google Gemini 3.8 Flash TTS, nem o Fish Audio Drama 3. Os modelos Gemini TTS mais antigos estão disponíveis conosco pelo preço de tabela do Google, sem acréscimo; os dois modelos sobre os quais este artigo realmente trata são acessados por meio das APIs dos próprios fornecedores e, no caso do Fish Audio, por plataformas de terceiros.

A consequência útil é que a maior parte de uma fatura de fala do Google já pode estar atrás de uma única chave, e a camada de failover é o que torna a comparação barata de executar: coloque um canário do Drama 3 ao lado de uma chamada do Gemini 3.8 Flash TTS, roteie o caminho de produção para o que sobreviver ao seu teste de aceitação, e a escolha por segmento fica no DSL de roteamento, e não em dois SDKs. A fusão de modelos é a outra opção que isso levanta — um painel que renderiza a mesma linha pelos dois e escolhe de acordo com uma regra que você define, o que, para narração, significa que você pode manter a pronúncia do Drama 3 nas linhas com códigos e a leitura de contexto do Google na prosa.

A decisão, dita sem rodeios: para inglês em volume, sem clonagem e sem disposição para infraestrutura, o Gemini 3.8 Flash TTS a US$ 0,81 por hora é o modelo mais barato e de melhor sonoridade com vozes do provedor, e o argumento a favor do Drama 3 não sobrevive ao contato com a tabela de preços. Para qualquer coisa que exija vozes personalizadas ou de elenco, direção por palavra, controle de fonemas ou a capacidade de operar sem depender de terceiros, o Drama 3 é o único dos dois capaz de dar conta do recado — pelo preço de tabela, custa cinco vezes o valor por hora do Google, e durante a promoção custa o mesmo, o que faz das próximas duas semanas a janela mais barata que alguém terá para descobrir se a vantagem de pronúncia vale a pena construir em torno dela.